Μεταπτυχιακές Διατριβές GRI-2016-16665

Τίτλος:Πέρα από την ακρίβεια: ανάπτυξη και αξιολόγηση προτασιακών αλγορίθμων βάσει των μετρικών ποικιλίας και κάλυψης
Beyond accuracy: developing and evaluating recommenders based on diversity and coverage metrics
Συγγραφείς:Χατζηχαραλάμπους Ευάγγελος Αντωνίου
Σχολή/Τμήμα: Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Σχολή Θετικών Επιστημών, Τμήμα Πληροφορικής
Γλώσσα:Ελληνικά
Ημ/νία έκδοσης:2014
Περίληψη:Αντικείμενο της παρούσας εργασίας ήταν η μελέτη των Συστημάτων Συστάσεων και ιδιαίτερα της ποικιλότητας των αντικειμένων που προτείνουν τα Συστήματα αυτά στους χρήστες. Αρχικά μελετήθηκαν οι μετρικές ποικιλότητας που εμφανίζονται στην βιβλιογραφία των Συστημάτων Συστάσεων και προτάθηκαν επιπλέον μετρικές ποικιλότητας που χρησιμοποιούνται σε άλλες Επιστήμες. Ειδικότερα προτάθηκε η υιοθέτηση των μετρικών Coefficient of Unalikeability, Simpson’s index of Diversity και μια τροποποιημένη εκδοχή του δείκτη Pielou’s J. Επιπλέον προτείναμε την χρήση μετρικών ομοιοκατανομής (Pielou’s J και IQV) και της μετρικής richness που όταν χρησιμοποιηθούν συνδυαστικά μπορούν να περιγράψουν την ποικιλότητα των συστάσεων. Στην εργασία αυτή περιγράφεται πως αυτές οι μετρικές μπορούν να υιοθετηθούν από τα Συστήματα Συστάσεων με την χρήση των χαρακτηριστικών των αντικειμένων. Επίσης προτάθηκε μια μετρική ποικιλότητας που βασίζεται στις αξιολογήσεις χρηστών για τον υπολογισμό της. Στην συνέχεια της εργασίας έγινε μελέτη των μεθοδολογιών που μπορούν να βελτιώσουν την ποικιλότητα των συστάσεων των Συνεργατικών Συστημάτων Συστάσεων. Ειδικότερα, προτάθηκαν επιπλέον χαρακτηριστικά που πρέπει να διαθέτουν οι χρήστες ώστε να επιλεγούν ως γείτονες, εκτός από την ομοιότητα τους με τον χρήστη. Ονομάσαμε αυτά τα χαρακτηριστικά ‘explorer’ και ‘open-minded’. Για να χαρακτηριστεί ένας χρήστης ως ‘explorer’ πρέπει να έχει αξιολογήσει αντικείμενα που είναι σπάνια. Οι χρήστες που έχουν εκφράσει το ενδιαφέρον τους για αντικείμενα που είναι ανόμοια μεταξύ τους, χαρακτηρίζονται ως ‘open-minded’. Για να αποδειχθεί ότι η χρήση των γειτόνων που παρουσιάζουν αυτά τα χαρακτηριστικά μπορεί να βελτιώσει την ποικιλότητα των συστάσεων, πραγματοποιήθηκαν πειραματισμοί με δυο διαφορετικά σύνολα αξιολογήσεων (Yahoo! Music και MovieLens). Στους πειραματισμούς χρησιμοποιήθηκε ένα μεγάλο εύρος από μετρικές ποικιλότητας και αποδείχθηκε ότι η χρήση των χαρακτηριστικών open-minded και explorer βελτιώνει την ποικιλότητα των συστάσεων, ειδικότερα όταν το σύνολο αξιολογήσεων είναι πολύ αραιό. Επιπλέον, παρατηρήθηκε στους πειραματισμούς ότι η ποικιλότητα των παραγόμενων συστάσεων εξαρτάται σε σημαντικό βαθμό από την κάλυψη που επιτυγχάνει το σύστημα.

The subject of this thesis is the study of the Recommendation Systems and in particular the diversity of the produced recommendations. We analyzed the different metrics that are used to calculate this diversity and we suggested the adoption of metrics from other fields of Science. We reported which of those metrics can be exploited by the field of Recommender Systems and how these metrics can be implemented; in particular we proposed the use of Coefficient of Unalikeability, Simpson’s index of Diversity and a modified version of Pielou’s J. Furthermore we proposed the use of evenness metrics (such as Pielou J and IQV) and a richness metric which in combination can outline the diversity of a recommendation. Also we proposed a novel metric (we called it Pearson Diversity) which uses the users’ ratings to calculate the diversity of a recommendation. Subsequently, we strived to increase the diversity of the collaborative systems. Further characteristics were introduced that a user must feature in order to be selected as a neighbor, other than their similarity to the subject user. We called these characteristics ‘explorer’ and ‘open-minded’. In order for a user to be characterized as explorer, they must have rated rare items. The users that are interested in a diverse set of items, on the other hand, are characterized as ‘open-minded’. In order to prove that the selection of neighbors that feature those characteristics is going to lead to diverse recommendations, we experimented with two different datasets (Yahoo! Music and MovieLens). In our experimentations we used a variety of diversity measures and the results showed that the use of the neighbors’ characteristics is able to increase the diversity of the recommendations, mainly if the dataset is sparse. Furthermore in our experiments became apparent that the diversity of the recommendations greatly depends on the coverage that the system can achieve.
Επιβλέπων:Βακάλη, Αθηνά αναπληρώτρια καθηγήτρια
Λέξεις Κλειδιά:Ποικιλότητα, Diversity, Recommender Systems, Recommendation Algorithms, Συστήματα Συστάσεων, Προτασιακοί Αλγόριθμοι
Περιορισμοί Πρόσβασης:Σύμφωνα με έγγραφο αίτημα του συγγραφέα, το πλήρες κείμενο της εργασίας θα είναι διαθέσιμο στο κοινό σε ηλεκτρονική μορφή μετά από την 01/04/2017.
Σχετικά αρχεία:Πλήρες κείμενο: PDF Αρχείο με άδεια χρήσης Δείτε την σχετική άδεια κάνοντας κλικ εδώ!


 Δημιουργία εγγραφής 2016-05-30, τελευταία τροποποίηση 2016-06-29


Πλήρες κείμενο:
Κατέβασμα πλήρους κειμένου
PDF Αρχείο
με άδεια:Δείτε την σχετική άδεια κάνοντας κλικ εδώ!